ChatBI ist schwierig zu implementieren. Schauen wir uns die neue Situation der Unternehmensdatenanalyse durch SwiftAgent an.
2024-08-07
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Derzeit ist die digitale Transformation zu einem Schlüsselwort für die Unternehmensentwicklung geworden, doch viele Unternehmen stoßen bei der praktischen Umsetzung auf Schwierigkeiten. Das Aufkommen großer Modelle ist zum Schlüssel für die Veränderung des Schicksals von Unternehmen geworden, indem es die Bereitstellung umfassender Daten beschleunigt und die Schwelle für die Datenanalyse erheblich senkt. Bei der Anwendung großer Modelle wurden viele ChatBI-Produkte aus dem Ansatz „Großes Modell + BI“ abgeleitet. Derzeit verwendet ChatBI auf dem Markt normalerweise den technischen Weg von NL2SQL, dh die direkte Generierung von SQL über große Sprachmodelle Datenprobleme: Die Abfragegenauigkeit ist gering (die Genauigkeit beträgt 60–70 % und ist noch geringer, wenn Sie tabellenübergreifend abfragen), und die Datenqualität ist nicht einheitlich.
Shushi Technology ist der branchenweit führende Anbieter von Data-Intelligence-Produkten und verfügt über professionelle Erkenntnisse und technische Stärke in den Bereichen Großfinanz, High-Tech-Fertigung und Pan-Retail. Das Unternehmen hat sich seit jeher dem Einsatz von Daten- und KI-Technologie zur Lösung von Unternehmensproblemen verschrieben . Der von Shushi eingeführte intelligente Analyseassistent (SwiftAgent) kann die schwierigen Probleme von ChatBI effektiv lösen und ermöglicht es jedem, Datenanalyst zu werden.
Am Beispiel der Zusammenarbeit mit Shushi Technology können wir einen Eindruck davon gewinnen, welche wichtige Rolle SwiftAgent bei der Analyse von Unternehmensdaten spielt. Während der digitalen Transformation stieß eine städtische Geschäftsbank auf Probleme wie die Unfähigkeit vorhandener Datenprodukte, schnell umfassende End-to-End-Schlussfolgerungen zu ziehen, komplexe Anforderungen für wiederholte Berichte, Engpässe aufgrund vorübergehender Anforderungen und inkonsistente Indikatorenkaliber. Basierend auf der großen Datenbank hat Shushi Technology die Implementierung der Indikatorplattform abgeschlossen, alle Indikatorkaliber und Datenquellen vereinheitlicht und den intelligenten Datenanalyseassistenten SwiftAgent entwickelt, um die Schwelle für die Mitarbeiterdatenanalyse zu senken.
In der Geschäftsanalyse stellen wir oft Fragen wie: „Wie sind die Kreditdaten unserer Bank in letzter Zeit?“ Ist es die letzte Woche oder der letzte Monat? Darüber hinaus verfügen Banken über unterschiedliche Branchenpläne und Terminologien. Zum Beispiel: SDR (Sonderziehungsrechte), Eigennamen bedürfen einer weiteren Erläuterung. Ein weiteres Beispiel ist das Wort „Leistung“. Menschen in unterschiedlichen Rollen haben unterschiedliche Definitionen und Erklärungen.
Die Lösung von Shushi Technology berücksichtigt die Zeitdimension, Eigennamen der Branche und kann sogar vage Semantik verstehen, sagt Fragen vorher, die Mitarbeiter in verschiedenen Zeiträumen stellen könnten, empfiehlt häufige Fragen und erstellt ein personalisiertes GASO-Modell. Schließlich kann es auch Planungsvorschläge wie professionelle Analysten bereitstellen, um den Mitarbeitern dabei zu helfen, den Entscheidungsprozess effizienter abzuschließen.
Zusammenfassend kann Shushi Technology SwiftAgent viele Probleme lösen, mit denen Unternehmen im Bereich der Datenanalyse und Entscheidungsfindung konfrontiert sind, wie z. B. verwirrende Datenstandards, Mangel an Datentalenten, hohe Schwellenwerte für die Datennutzung, lange Datenanalysezyklen und mangelnde Fähigkeit zur Befähigung Geschäftsentscheidungen usw.
Die neue Generation von SwiftAgent2.0 hat außerdem fünf wichtige Verbesserungen gegenüber der alten Version erzielt, darunter den Aufbau einer einheitlichen semantischen Schicht, die Einrichtung leicht verständlicher semantischer Schichten wie Industriestandards, Indikatoren und Etiketten für Personen usw Waren usw., um das Problem der Vereinheitlichung des Datenkalibers verschiedener Abteilungen des Unternehmens effektiv zu lösen. Benutzer können entsprechend eingreifen und Benutzer auf natürlichere Weise anleiten Eingabeaufforderungen und erhalten schließlich die Analyseinhalte, die sie wirklich sehen möchten. „Verbessertes Lernen basierend auf Feedback, kontinuierliches Korrigieren von Fehlern, Anpassen von Abfragen und Präzisieren der Analyse; kontinuierliches Reflektieren und Lernen.“ Sammeln Sie die Frage- und Antwortanalyse aller Benutzer in der Wissensdatenbank und analysieren Sie die ähnlichen Anfrageszenarien anderer Benutzer in der Zukunft. Liefern Sie Schlussfolgerungen und stellen Sie Denkprozesse bereit, die einen heterogenen Datenzugriff aus mehreren Quellen ermöglichen Greifen Sie nur auf Data Warehouses zu, sondern importieren Sie auch unstrukturiertes Wissen wie Text, Excel, Bilder, Audio und Video usw., um umfassende Analyseideen zu erfüllen. Die Datenbeschleunigungs-Engine übernimmt die ursprüngliche Datenbeschleunigungs-Engine von Shushi Technology, die eine zweite Implementierung ermöglicht -Datenabfrage und echte Echtzeit-Mensch-Computer-Interaktion.
